你可能不知道：GPT-5 把
reasoning_effort从High拧到Minimal，完成同一套推理基准测试，token 用量差 23 倍；而同一个 Llama 3.3 70B 权重，换个推理云厂商，单价差 9 倍。这两个旋钮，一个在 OpenAI/Anthropic/Google 的请求参数里，一个在 OpenRouter/DeepInfra 的下拉菜单里——90% 的人两根都拧在"最贵"那档还浑然不觉。这篇拆给你看：推理模型时代账单失控的真正元凶，以及怎么不降智地把账单砍掉六成。
reasoning_effort 这个旋钮，默认就在烧钱2025 年下半年开始，主流旗舰全部变成"会先思考再回答"的推理模型（GPT-5/GPT-5.4、o 系列、Claude extended thinking、Gemini 2.5）。每一条请求多了一个隐藏字段：reasoning effort（推理预算）。GPT-5.4 暴露五档：none、low、medium、high、xhigh。它控制模型"想多久"。
关键认知差在这句：思考 token 按输出 token 计费。没有任何额外附加费——higher effort 只是单纯生成更多 token，然后你照价买单。
独立基准测试机构 Artificial Analysis 跑了 GPT-5 全部四档推理预算，结论非常刺眼：
| 推理档位 | 完成 Index 的 token | 相对 High | 智能水平（AA Index） |
|---|---|---|---|
| High | 82M | 1.0× | 新智能天花板（全场最高） |
| Medium | — | — | 67，接近 o3 |
| Low | — | — | 64，介于 DeepSeek R1 与 o3 之间 |
| Minimal | 3.5M | 0.043× | 44，接近 GPT-4.1 |
同一套测试，High 用了 82M token，Minimal 只用 3.5M，差 23 倍。 Minimal 的智能已接近 GPT-4.1——对绝大多数日常任务（摘要、分类、翻译、提取、简单问答）已经绰绰有余。
更阴险的是这条 AA 的原话："between medium and high there is less of an uplift"——从 medium 升到 high，智能涨幅很小，但 token 涨幅很大。也就是说，medium→high 是性价比最差的一跳，偏偏很多人习惯性默认 high。
一位开发者（bswen.io）把各档的 token 倍数实测成了一张表，可以直接拿来做预算路由：
| effort | 相对 token 消耗 | 适用场景 |
|---|---|---|
| none | 1.0× | 事实问答、快摘要、翻译 |
| low | 1.2×（+10~20%） | 需要一点可靠性的简单任务 |
| medium | 1.5×（+30~50%） | 分析、多步推理、常规编码 |
| high | 2.0×（+50~100%） | 架构设计、复杂综合、规划 |
| xhigh | 3.0×（+100%+） | 只有 eval 证明需要时才用 |
他踩的坑极具代表性："我曾把所有请求默认设成 high，以为更安全。结果是账单暴涨、响应变慢，有时质量反而更差。" Reddit 上高赞评论一句话点破："High should not be your default."（high 不该是你的默认值。）新版 GPT-5 系列的默认值已经悄悄改成了 none/minimal，因为对大多数场景这就够了——但很多老代码和老习惯还停留在 high。
怎么拧这个旋钮（三步）：
from openai import OpenAI
client = OpenAI()
# 错误写法：从来不传 reasoning_effort，吃默认（或被旧库默认成 medium/high）
# 正确写法：按任务显式指定
resp = client.chat.completions.create(
model="gpt-5.4-mini",
messages=[{"role": "user", "content": "总结这篇文章：……"}],
reasoning_effort="low", # 1. 简单任务就别让它深思
max_completion_tokens=1000, # 2. 同时给思考上限，防爆
)
print(resp.usage) # 3. 把 usage.completion_tokens 打出来做账
max_completion_tokens 这一行常被忽略，但它是防爆开关——它同时限制了"思考 + 作答"的总输出，防止模型在某个 case 上无限脑补把你卡爆。配套做法：上线前先拿 usage.completion_tokens 做日志，按任务分桶统计真实倍数，再决定哪类该降档。
⚠️ 别在调用前不设档、事后才发现烧钱。reasoning token 是后付费的、看不见的、直接乘进 output 单价的。
第二个旋钮针对开源/开放权重模型（Llama、Qwen、DeepSeek、gpt-oss 等）。你以为"用 Llama 3.3 70B"就是一个价格？错。同一份权重文件，不同推理云厂商的单价能差近一个数量级。
SaturnCloud 的《推理厂商对比报告》用 Llama 3.3 70B Instruct 作为基准（最主流的中等规模稠密模型），结论：
"Price spread is ~9x for the same model"——同一份 Llama 3.3 70B 权重，blended（3:1 输入输出加权）单价从 ~$0.12/M（DeepInfra Turbo FP8）一路到 ~$1.05/M，差约 9 倍。
| 厂商（Llama 3.3 70B） | Input $/M | Output $/M | Blended $/M | 输出速度 |
|---|---|---|---|---|
| DeepInfra（Turbo FP8） | 0.10 | 0.32 | ~0.12 | ~25 tok/s |
| Novita | 0.14 | ~0.39 | ~0.16 | 随负载 |
| Scaleway（联系定价） | — | — | ~1.05 | 随负载 |
| Groq（LPU） | 0.59 | 0.79 | ~0.64 | ~319 tok/s |
Infrabase 在 2026 年 6 月 6 日用另一款热门开放模型 gpt-oss-120B 复核了一遍，结论一致——且更新到了本月：
| 厂商（gpt-oss-120B，2026-06-06 实价） | Input $/M | Output $/M | Blended（3:1）$/M |
|---|---|---|---|
| DeepInfra | 0.039 | 0.19 | ~0.077 |
| Novita | 0.05 | 0.25 | ~0.10 |
| SiliconFlow | 0.05 | 0.45 | ~0.15 |
| Groq / Together.ai / Fireworks | 0.15 | 0.60 | ~0.26 |
同样的 gpt-oss-120B，Groq/Together/Fireworks 比 DeepInfra 贵 约 3.4 倍。而且这价格还在跌：DeepInfra 上 gpt-oss-120B 的 blended 从 2026 年 3 月的 ~$0.08 掉到 6 月的 ~$0.05——所以别拿去年的报价表当圣旨，每月都要去厂商定价页核对一次。
那是不是无脑选最便宜？不是。 关键在于"贵的那几家贵的有道理"，要按负载类型分流：
记住这条心智模型：速度档（Groq/Cerebras）和价格档（DeepInfra/Novita）是两个不同的桶。把对延迟敏感的流量走速度桶、把批处理走价格桶，就是绝大多数公司没做的简单分流。
flowchart TD
A["新请求进来"] --> B{"用闭源推理模型?<br/>GPT-5/o3/Claude/Gemini"}
B -- 是 --> C{"任务复杂度"}
C -- "事实/摘要/翻译/提取<br/>(约40%流量)" --> D["effort = none/low<br/>上限 max_completion_tokens"]
C -- "分析/多步/常规编码<br/>(约40%)" --> E["effort = medium<br/>性价比最优档"]
C -- "架构/规划/难题<br/>(约20%)" --> F["effort = high<br/>xhigh 仅 eval 证明后用"]
D --> G["打 usage 日志, 分桶统计"]
E --> G
F --> G
B -- "否, 用开源模型" --> H{"延迟敏感?"}
H -- "是, 实时聊天/agent" --> I["速度桶: Groq / Cerebras<br/>贵3倍 但 TTFT<1s"]
H -- "否, 批处理/离线" --> J["价格桶: DeepInfra / Novita<br/>最便宜, 量越大越省"]
I --> K["经 OpenRouter 统一入口<br/>每月核对一次报价"]
J --> K
G --> K
K --> L["账单砍 50~70%<br/>智能基本不掉"]
场景 A——推理档位路由（闭源推理模型）
某 5 人团队，agent 流量月跑 1000 万 output token，全部默认 high（相对倍数 2.0×）。按 bswen 的实测倍数做智能路由：40% 降到 low(1.2×)、40% 用 medium(1.5×)、20% 保留 high(2.0×)。
high、改走 none/low，单这一块就从 2.0× 降到 1.2×，等于在总盘子里直接砍掉 16% 账单。场景 B——推理云套利（开源模型）
同一个团队另有一条 Llama 3.3 70B 的批处理线，月 1 亿 blended token：
若这条线跑的是 gpt-oss-120B：
两条线加起来，一个改参数、一个换厂商，几乎零开发量，月省破百美金、年省四位数——这就是大多数团队没捡的钱。
| 维度 | 大多数人以为 | 真实的信息差 |
|---|---|---|
| 推理模型计费 | "思考不额外收费" | 思考 token 计入 output，High 比 Minimal 烧 23 倍 |
| effort 默认值 | "high 最安全，先选 high" | 新版 GPT-5 默认已改 minimal；medium→high 性价比最差 |
| 防爆手段 | 只设 temperature | max_completion_tokens 才是限制思考量的闸 |
| 开源模型价格 | "用 Llama 就一个价" | 同权重厂商间差 9 倍，每月还在跌 |
| 厂商选择 | "贵的质量好" | 速度档（Groq/Cerebras）与价格档（DeepInfra）是两个桶，按延迟分流 |
| 报价表 | "查一次够用半年" | 价格月月变，gpt-oss-120B 三个月跌近 40% |
reasoning_effort、reasoning、thinking 这几个字段。没传的，就是你在吃默认值（可能是 high）。把 usage.completion_tokens 打进日志，按接口分桶统计一周。none/low；分析/编码类 medium；只有规划/架构类留 high，xhigh 除非 eval 证明否则禁用。给每个调用都加上 max_completion_tokens 上限。task_type 选 effort，按 latency_sensitive 选厂商。这一层一旦存在，账单就开始自动省钱，而且模型升级时只改一行。推理模型让"思考"变得既强大又昂贵。但贵不贵，不取决于模型，而取决于你有没有拧那两个旋钮。
本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护。 聚焦5G/6G核心网、3GPP标准、AI工具实战。知识星球「51学通信」提供深度技术答疑和行业洞察。
[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。